ANALISIS ANGKA BUTA HURUF DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION BERBASIS KOMPUTER Andiyono Universitas Bina Nusantara Jl. K.H Syahdan No.9, Palmerah, Jakarta Barat, Indonesia, 11480, 021-5345830 / 021-5300244
[email protected]
Edy Irwansyah Universitas Bina Nusantara Jl. K.H Syahdan No.9, Palmerah, Jakarta Barat, Indonesia, 11480, 021-5345830 / 021-5300244
[email protected]
Rokhana Dwi Bekti Universitas Bina Nusantara Jl. K.H Syahdan No.9, Palmerah, Jakarta Barat, Indonesia, 11480, 021-5345830 / 021-5300244
[email protected]
ABSTRACT
Analysis of the factors that influence the rate of illiteracy will provide important information in education. One such factor is the development of information and communication technology (ICT). Characteristics of illiteracy in the province of East Java showed a spatial pattern. Therefore, to obtain the factors that influence through Geographically Weighted Regression spatial modeling (GWR). Further mapping for geospatial information about the significance of the factors that influence it. Modeling results showed that the factors that influence the rate of illiteracy in every location is different. In general, the factors that affect the rate of illiteracy at α = 5% is the percentage of households owning a mobile phone, the percentage of households with a computer and the percentage of households who access the internet at school in the past month. Obtained by mapping the spread of ICT indicators significance of ABH. Factors percentage of households with mobile phones spread in the southern part of East Java Province, while the percentage factor of households have a computer and access the internet at school in the past month spread over the northern part of East Java province.
Keywords: Illiteracy, ICT, Geographically Weighted Regression (GWR)
ABSTRAK
Analisis faktor-faktor yang berpengaruh terhadap angka buta huruf akan memberikan informasi penting dalam pendidikan. Salah satu faktor tersebut adalah perkembangan teknologi informasi dan komunikasi (TIK). Karakteristik angka buta huruf di Provinsi Jawa Timur menunjukkan adanya pola spasial. Oleh karena itu, untuk mendapatkan faktor-faktor yang mempengaruhi dilakukan melalui pemodelan spasial Geographically Weighted Regression (GWR). Selanjutnya dilakukan pemetaan untuk mendapatkan informasi geospasial tentang signifikansi faktor-faktor yang mempengaruhinya. Hasil pemodelan menujukkan bahwa faktor-faktor yang berpengaruh terhadap angka buta huruf di setiap lokasi adalah berbeda. Secara umum, faktor yang mempengaruhi angka buta huruf pada α = 5% adalah persentase rumah tangga yang memiliki telepon selular, persentase rumah tangga yang memiliki komputer dan persentase rumah tangga yang mengakses internet di sekolah dalam waktu sebulan terakhir. Melalui pemetaan didapatkan penyebaran signifikansi indikator TIK terhadap ABH. Faktor persentase rumah tangga yang memiliki telepon selular tersebar di Provinsi Jawa Timur bagian selatan, sedangkan faktor persentase rumah tangga yang memiliki komputer dan mengakses internet di sekolah dalam waktu sebulan terakhir tersebar di Provinsi Jawa Timur bagian utara.
Kata kunci: Angka buta huruf, TIK, Geographically Weighted Regression (GWR)
PENDAHULUAN Pada saat ini, pendidikan dapat dikatakan termasuk dalam kebutuhan primer setelah sandang, pangan, dan papan. Salah satu indikator tingkat pendidikan adalah angka buta huruf (ABH). Jawa Timur merupakan provinsi yang memiliki ABH tertinggi di Pulau Jawa. BPS (2012) menyebutkan bahwa ABH penduduk usia di atas 15 tahun di Jawa Timur 2009 dan 2010 adalah 12,20% dan 11,66%. Begitu juga untuk jenjang usia lainnya. Hal ini menunjukkan bahwa perlu dikaji lagi sektor pendidikan di Jawa Timur. Faktor–faktor yang dapat mempengaruhi tingkat pendidikan suatu daerah antara lain tingkat kemiskinan, pertumbuhan ekonomi, subsidi pemerintah, dan tersedianya fasilitas yang memadai. Perkembangan teknologi informasi dan komunikasi (TIK) telah memberikan pengaruh terhadap dunia pendidikan khususnya dalam proses pembelajaran dan pendidikan. Analisis data spasial merupakan analisis yang berhubungan dengan efek lokasi. Hal ini didasarkan pada hukum pertama tentang geografi dikemukakan oleh Tobler dalam Anselin dan Rey (2010, p17) menyatakan bahwa “segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh”. Salah satu analisis spasial adalah menggunakan metode Geographically Weighted Regression (GWR). Metode GWR adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi yang terboboti (Fotheringham, Brunsdon, Charlton, 2002). Untuk memodelkan dan mengetahui faktor–faktor yang mempengaruhi tingkat ABH dapat dilakukan dengan regresi Ordinary Least Square (OLS). Regresi OLS mengasumsikan residual normal, identik, dan independen. Apabila ada asumsi yang tidak terpenuhi, maka dapat dikatakan ada pengaruh spasial (Anselin, 1988, p12-13). Oleh karena itu digunakan GWR. Pengaruh spasial tersebut juga ditunjukkan oleh ABH yang memiliki karakteristik yang hampir sama di daerah yang berdekatan. Contohnya di wilayah dengan ABH tertinggi berada di wilayah Madura yang letaknya dekat dengan Pandalungan yang meliputi daerah Bondowoso, Situbondo, dan Probolinggo (Firmansyah dan Sutikno, 2011). Hal ini menunjukkan ada pengaruh faktor lokasi atau spasial. Beberapa penelitian yang menggunakan model spasial antara lain Firmansyah dan Sutikno (2011) yang melakukan pemodelan dan pemetaan ABH di Provinsi Jawa Timur menggunakan Spatial Lag Model (SLM), Spatial Error Model (SEM), dan Spatial Autoregressive Moving Avarage (SARMA). Hasil penelitian tersebut adalah ABH dipengaruhi oleh rasio penduduk miskin, rasio tenaga pendidik SD, rasio tenaga pendidik SMP, dan angka partisipasi murni 13-15 tahun dengan R2 sebesar 90,6%. Penelitian selanjutnya yang menggunakan model spasial dilakukan oleh Kam, Hossain,
Bose, dan Villano (2005). Penelitian tersebut melakukan pemodelan antara tingkat kemiskinan pedesaan dengan faktor kesejahteraan yang mempengaruhinya dengan menggunakan GWR. Informasi geospasial atau peta dapat memberikan informasi yang dapat dimanfaatkan oleh mendukung sektor publik dalam melaksanakan proses perencanaan pelaksanaan dan evaluasi pembangunan. Sehingga dalam penelitian ini ABH dan faktor-faktor yang mempengaruhinya juga disajikan dalam bentuk pemetaan. Pemetaan tersebut akan memberikan informasi tentang penyebaran ABH di Provinsi Jawa Timur.
METODE PENELITIAN Lokasi penelitian ada di wilayah Provinsi Jawa Timur meliputi 29 kabupaten dan 9 kota seperti yang terlihat Gambar 1. Teknik pengumpulan data untuk penelitian ini adalah menggunakan data sekunder yang diambil dari Badan Pusat Statistik (BPS) tahun 2009. Variabel penelitian dalam penelitian ini adalah variabel dependen (Y) dan variabel independen (X), dimana: Y = Angka buta huruf X = Teknologi, informasi, dan komunikasi, yang terdiri dari: X1 = Persentase rumah tangga yang memiliki telepon rumah X2 = Persentase rumah tangga yang memiliki telepon selular X3 = Persentase rumah tangga yang memiliki computer X4 = Persentase rumah tangga yang mengakses internet di sekolah dalam sebulan terakhir
Gambar 1 Kabupaten/Kota di Provinsi Jawa Timur
Langkah–langkah penelitian adalah sebagai berikut : 1. Pengumpulan data ABH dan indikator TIK 2. Explorasi Data Untuk mengetahui gambaran umum setiap variabel dan pola hubungan setiap wilayah di Provinsi Jawa Timur. 3. Regresi Global Melakukan regresi antara variabel independent dengan variabel dependennya dengan cara melakukan penaksiran parameter, uji signifikansi, dan uji asumsi residual. Penaksiran parameter dilakukan dengan menggunakan metode Ordinary Least Square (OLS). Analisis regresi adalah salah satu metode yang dapat digunakan untuk menentukan hubungan antara variabel independen (x) dengan variabel dependen (y). Untuk n pengamatan dengan p variabel independen, maka model regresi tersebut dapat ditulis sebagai berikut: p
yi = β0 + ∑βk xik + ε i ; i = 1, 2, 3, ... , n k =1
(1)
Keterangan : yi = β0 = βk = xik = εi =
variabel dependen pada pengamatan ke-i (i = 1, 2, ... , n) konstanta koefisien regresi ke – k (k = 1,2, … , p) variabel independen ke-k pada pengamatan ke-i (i = 1, 2, ... , n) error yang diasumsikan identik, independen, dan berdistribusi
normal dengan mean nol dan varians σ Regresi Lokal / GWR Melakukan regresi secara lokal di setiap wilayah dengan cara menentukan bandwidth optimum, penentuan pembobot, melakukan penaksiran parameter GWR, dan pengujian signifikansi. Penaksiran parameter yang digunakan adalah Weighted Least Square (WLS) dan pembobot yang digunakan adalah kernel bi-square. Model GWR adalah suatu model regresi sederhana yang diubah menjadi model regresi yang terboboti (Fotheringham, Brunsdon, Charlton, 2002). Setiap nilai parameter akan dihitung pada setiap titik lokasi geografis sehingga setiap titik lokasi geografis mempunyai nilai parameter regresi yang berbeda-beda. Hal ini akan memberikan variasi pada nilai parameter regresi di suatu kumpulan wilayah geografis. Jika nilai parameter regresi konstan pada tiap-tiap wilayah geografis, maka model GWR adalah model global. Artinya tiap-tiap wilayah geografis mempunyai model yang sama. 2
4.
Model umum untuk model GWR adalah p
yi = β0 (ui , vi ) + ∑ β k (ui , vi )xik + ε i
(2)
k =1
Keterangan: yi = variabel dependen pada lokasi ke-i (i = 1, 2, ... , n) xik = variabel independen ke-k pada lokasi ke-i (i = 1, 2, ... , n) (ui,vi) = koordinat longitude latitude dari titik ke-i pada suatu lokasi geografis. βk (ui,vi) = koefisien regresi ke-k pada masing-masing lokasi ε i =error yang diasumsikan identik, independen, dan berdistribusi Normaldengan mean nol dan varians konstan 5.
6.
σ2
Pemetaan Pemetaan dilakukan berdasarkan Pvalue yang didapat dari hasil penaksiran parameter lokal / GWR. Pembuatan aplikasi program
HASIL DAN BAHASAN Kabupaten/Kota di Jawa Timur berdasarkan karakteristik persentase penduduk yang buta huruf (angka buta huruf) disajikan pada Gambar 1. Dapat diketahui bahwa ada Kabupaten/Kota yang memiliki karakteristik sama dan saling berdekatan lokasinya. Dengan demikian, dapat dikatakan bawasannya terdapat kasus faktor lokasi atau Spasial terhadap angka buta huruf di lokasi tersebut. Seperti di Kabupaten Sampang, Pamekasan, Bangkalan, dan Sumenep. Lokasi tersebut berada di Pulau Madura dan memiliki angka buta huruf di atas 24%. Tercatat 8 dari 9 daerah Kota yang ada di Provinsi Jawa Timur, memiliki angka buta huruf yang termasuk dalam kelompok 1, antara lain Kota Batu, Kota Surabaya, Kota Mojokerto, Kota Kediri, Kota Pasuruan, Kota Madiun, Kota Malang dan Kota Blitar. Kota Probolinggo adalah satu satunya daerah kota yang termasuk dalam angka buta huruf kelompok 2 dengan tingkat angka buta huruf sebesar 7,08%. Hampir seluruh daerah Kabupaten yang ada di Provinsi Jawa Timur memiliki angka buta huruf yang lebih tinggi dari daerah Kota. Hanya ada 2 kabupaten yang memiliki angka buta huruf yang termasuk dalam kelompok 1, yaitu Kabupaten Sidoarjo dengan tingkat angka buta huruf di angka 2,94% dan Kabupaten Gresik dengan tingkat angka buta huruf di angka 5,17%.
Gambar 2 Penyebaran Angka Buta Huruf
Daerah Kabupaten di Provinsi Jawa Timur yang termasuk dalam kelompok 2 antara lain Kabupaten Tulungagung, Kabupaten Mojokerto, Kabupaten Trenggalek, Kabupaten Kediri, Kabupaten Jombang, Kabupaten Blitar, Kabupaten Pacitan, Kabupaten Magetan, Kabupaten Malang, Kabupaten Pasuruan, Kabupaten Nganjuk dan Kabupaten Madiun. Kemudian daerah Kabupaten di Provinsi Jawa Timur yang termasuk dalam kelompok 3 antara lain Kabupaten Banyuwangi, Kabupaten Lamongan, Kabupaten Tuban, Kabupaten Ponorogo, Kabupaten Bojonegoro, Kabupaten Jember, Kabupaten Lumajang, Kabupaten Ngawi, dan Kabupaten Pamekasan. Daerah Kabupaten di Pronvinsi Jawa Timur yang termasuk dalam kelompok 4 antara lain Kabupaten Situbondo, Kabupaten Bondowoso, Kabupaten Probolinggo, Kabupaten Sumenep dan Kabupaten Bangkalan. Angka buat huruf di kelompok 5 hanya meliputi 1 kabupaten saja, yaitu Kabupaten Sampang dengan tingkat angka buta huruf di angka 28,44% dan dapat dikatakan bahwa Kabupaten Sampang adalah Kabupaten yang memiliki angka buta huruf terbesar di Provinsi Jawa Timur.
Model Regresi Global Hasil pemodelan regresi global disajikan pada Tabel 1. Berdasarkan hasil uji signifikansi menggunakan uji F, didapatkan nilai Fhitung = 14,97 yang lebih dari F(0,05;4;33) =2,65. Hal ini menunjukkan bahwa ada variabel independen yang sifnifikan berpengaruh. Setelah melakukan uji F, maka dilakukan uji signifikansi secara parsial melalui uji T. Variabel yang signifikan berpengaruh dengan α = 5% adalah persentase rumah tangga yang mempunyai telepon selular. Hal tersebut ditunjukkan oleh nilai |thit| = 3.077 yang lebih besar dari t(0,025;33) yaitu sebesar 2,0345. Sementara itu variabel yang signifikan berpengaruh dengan α = 10% adalah persentase rumah tangga yang mengakses internet di sekolah dalam waktu sebulan terakhir. Hal ini ditunjukkan oleh nilai |thit| = 1.842 yang lebih besar dari t(0,05;33) yaitu sebesar 1,69. Asumsi residual yang terpenuhi melalui regresi global adalah asumsi identik dan berdistribusi normal. Sementara itu asumsi residual yang tidak terpenuhi melalui regresi global adalah asumsi independen. Hal tersebut menunjukkan bahwa adanya pengaruh spasial pada ABH di Provinsi Jawa Timur dengan indikator TIK. Asumsi independen yang tidak terpenuhi menunjukkan bahwa antar pengamatan atau lokasi saling berhubungan.
Tabel 1 Penaksiran Parameter Model Regresi Global Variabel Koefisien Konstanta 32.33063 persentase rumah tangga yang telepon 0.01647 rumah persentase rumah tangga yang -0.33296 mempunyai telepon selular(HP) persentase rumah tangga yang 0.13259 memiliki komputer persentase rumah tangga yang -0.94074 mengakses internet di sekolah 2 S = 4.323 ; R = 64,47%, F-statistic = 14.97 F(0,05;4;33) =2,65 T(0,05;33) = 2,0345, T(0,10;33) = 1,69 * : signifikan pada α = 5% ** : signifikan pada α = 10%
Tvalue 6.639*
Pvalue 1.49e-07
0.084
0.93353
-3.077*
0.00418
0.459
0.64951
-1.842**
0.07455
Model Geographically Weighted Regression (GWR) Langkah-langkah dalam pemodelan GWR adalah menentukan bandwidth optimum, pembobot dan penaksiran parameter GWR. Hasil perhitungan badhwidth optimum disajikan dalam Tabel 2 dan pembobot yang digunakan adalah pembobot kernel bi-square. Hasil panaksiran parameter GWR dapat dilihat pada Tabel 3.
Tabel 2 Tabel Bandwidth Optimum Setiap Kabupaten/Kota di Provinsi Jawa Timur Kabupaten Pacitan
1,6652
Kabupaten Magetan
1,3564
Kabupaten Ponorogo
1,2924
Kabupaten Ngawi
1,3793
Kabupaten Trenggalek
1,2714
Kabupaten Bojonegoro
1,0742
Kabupaten Tulungagung
1,0623
Kabupaten Tuban
1,2279
Kabupaten Blitar
0,9487
Kabupaten Lamongan
0,9993
Kabupaten Kediri
0,7976
Kabupaten Gresik
1,0160
Kabupaten Malang
1,0373
Kabupaten Bangkalan
1,1414
Kabupaten Lumajang
1,1595
Kabupaten Sampang
1,2903
Kabupaten Jember
1,6614
Kabupaten Pamekasan
1,4725
Kabupaten Banyuwangi
2,1924
Kabupaten Sumenep
1,7078
Kabupaten Bondowoso
0,8640
1,8381
Kota Kediri
Kabupaten Situbondo
1,8739
Kota Blitar
0,9339
Kabupaten Probolinggo
1,2417
Kota Malang
1,0179
Kabupaten Pasuruan
0,9475
Kota Probolinggo
1,1521
Kabupaten Sidoarjo
0,9091
Kota Pasuruan
0,9640
Kabupaten Mojokerto
0,8811
Kota Mojokerto
0,8814
Kabupaten Jombang
0,8420
Kota Madiun
1,1838
Kabupaten Nganjuk
0,8431
Kota Surabaya
0,9481
Kabupaten Madiun
1,0653
Kota Batu
0,7893
Tabel 3 Penaksiran Parameter GWR Kabupaten/Kota Kab. Pacitan Kab. Ponorogo Kab. Trenggalek Kab. Tulungagung Kab. Blitar Kab. Kediri Kab. Malang Kab. Lumajang Kab. Jember Kab. Banyuwangi Kab. Bondowoso Kab. Situbondo Kab. Probolinggo Kab. Pasuruan Kab. Sidoarjo Kab. Mojokerto Kab. Jombang
Konstanta 33,163 34,046 34,427 33,892 33,377 26,384 32,677 36,954 33,757 32,581 31,125 30,400 31,792 28,512 19,719 23,183 26,017
b1 0,143 0,153 0,159 0,157 0,150 0,179 0,178 0,547 0,151 0,134 0,000 -0,039 -0,103 0,189 0,094 0,241 0,152
b2 -0,435* -0,449* -0,471* -0,465* -0,454* -0,264 -0,428* -0,489* -0,337* -0,288* -0,225* -0,191** -0,271* -0,296* -0,073 -0,187 -0,287**
b3 -0,074 -0,069 -0,046 -0,022 -0,001 -0,323 -0,029 -0,454 -0,290 -0,308 -0,285 -0,312 -0,148 -0,170 -0,349 -0,370 -0,111
b4 0,221 0,167 0,309 0,245 0,157 -0,266 -0,007 0,200 -0,124 -0,413 -0,540 -0,631 -0,134 -0,411 -0,852** -0,626 -0,333
R2 73,05 % 76,78 % 74,24 % 78,28 % 82,46 % 92,75 % 85,65 % 90,56 % 90,58 % 89,65 % 88,99 % 88,18 % 89,91 % 84,70 % 83,11 % 85,85 % 84,26 %
Kab. Nganjuk
30,875
0,175
-0,367*
-0,193
-0,109
90,60 %
Kab. Madiun
32,795
0,165
-0,402*
-0,164
-0,031
83,13 %
Kab. Magetan
31,963
0,152
-0,389*
-0,164
0,014
78,54 %
Kab. Ngawi
30,292
0,155
-0,341*
-0,249
-0,110
80,60 %
Kab.Bojonegoro
27,063
0,170
-0,254
-0,388
-0,311
88,52 %
Kab. Tuban
23,632
0,173
-0,165
-0,497
-0,496
88,33 %
Kab. Lamongan
19,958
0,269
-0,080
-0,590*
-0,845**
86,71 %
Kab. Gresik
16,547
0,163
0,043
-0,676*
-1,129*
86,27 %
Kab. Bangkalan
18,412
-0,058
0,131
-0,816*
-1,311*
87,09 %
Kab. Sampang
21,076
-0,315
0,094
-0,575**
-1,024**
86,79 %
Kab. Pamekasan
25,058
-0,315
0,005
-0,460
-0,847
86,59 %
-0,008 -0,440* -0,418** -0,393* -0,232* -0,216** -0,126 -0,393* 0,043 -0,255
-0,504 -0,013 0,017 -0,039 -0,073 -0,168 -0,307 -0,169 -0,599** -0,153
-0,759 0,019 0,090 -0,104 -0,259 -0,573 -0,658 -0,018 -1,124* -0,416
84,20 % 88,08 % 83,01 % 83,51 % 89,21 % 86,19 % 80,16 % 80,99 % 85,71 % 81,77 %
Kab. Sumenep 26,115 -0,302 Kota Kediri 33,146 0,154 Kota Blitar 31,378 0,123 Kota Malang 30,873 0,181 Kota Probolinggo 30,213 -0,200 Kota Pasuruan 27,079 0,037 Kota Mojokerto 19,657 0,168 Kota Madiun 32,306 0,159 Kota Surabaya 17,599 0,068 Kota Batu 24,564 0,170 Keterangan : * : α = 5% , t(α/2; 24,505) = 2,0638 ** : α = 10%, t(α/2; 24,505) = 1,7108
Faktor-faktor yang mempengaruhi nilai ABH di tiap kabupaten adalah dapat berbeda–beda. Sebagai contoh Kabupaten Sampang, faktor yang mempengaruhi nilai ABH adalah persentase rumah tangga yang memiliki komputer dan persentase rumah tangga yang mengakses internet di sekolah dalam waktu sebulan terakhir. Contoh lainnya adalah Kabupaten Sidoarjo dimana faktor yang mempengaruhi nilai ABH adalah persentase rumah tangga yang mengakses internet di sekolah. Pada Tabel 3 terlihat juga nilai R2 yang menunjukkan seberapa besar varian yang mampu dijelaskan oleh
faktor-faktor independen terhadap nilai ABH. Pada penaksiran parameter GWR, semua kabupaten/kota memiliki nilai R2 antara 73.05% dan 92.75%.
A
B
C
D
Gambar 3 Pemetaan Berdasarkan Indikator TIK A). Persentase Kepemilikan Telepon Rumah B). Persentase Kepemilikan Telepon Seleluar C). Persentase Kepemilikan Komputer D). Persentase Penggunaan Internet Di Sekolah
Gambar 3 menggambarkan pemetaan signifikansi indikator TIK terhadap ABH di Provinsi Jawa Timur. Signifikansi tersebut dihitung dari nilai pvalue dari penaksiran parameter GWR di Tabel 3. Melalui pemetaan didapatkan penyebaran signifikansi indikator TIK terhadap ABH. Faktor persentase rumah tangga yang memiliki telepon selular tersebar di Provinsi Jawa Timur bagian selatan, sedangkan faktor persentase rumah tangga yang memiliki komputer dan mengakses internet di sekolah dalam waktu sebulan terakhir tersebar di Provinsi Jawa Timur bagian utara. ABH di lokasi yang berdekatan dipengaruhi oleh variabel yang sama. Hal ini juga menunjukkan karakteristik ABH di daerah yang berdekatan adalah sama.
Hasil Perancangan Layar Hasil perancangan layar disajikan pada Gambar 4. Perancangan layar ini terdiri dari 4 tahapan, yaitu tahap memasukkan data (Gambar 4A), tahap regresi global (Gambar 4B), tahap penaksiran parameter GWR (Gambar 4C) dan tahap pemetaan (Gambar 4D).
A
B
C
D
Gambar 4 Layar Aplikasi Program
SIMPULAN DAN SARAN 1.
2.
3.
1.
2.
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa : Kabupaten/Kota di Provinsi Jawa Timur memiliki karakteristik ABH yang hampir sama pada lokasi yang berdekatan. Lokasi yang memiliki ABH tinggi ada di Pulau Madura, antara lain Kabupaten Sampang (28,44%), Bangkalan (22,43%), Pamekasan (17,61%), dan Sumenep (21,83%). Melalui model GWR, faktor-faktor TIK yang berpengaruh terhadap ABH dengan α = 5% adalah sebagai berikut: a. Persentase rumah tangga yang memiliki telepon selular berpengaruh di Kabupaten Pacitan, Ponorogo, Trenggalek, Tulungagung, Blitar, Malang, Lumajang, Jember, Banyuwangi, Bondowoso, Probolinggo, Pasuruan, Nganjuk, Madiun, Magetan, Ngawi, Kota Kediri, Kota Malang, Kota Probolinggo dan Kota Madiun. b. Persentase rumah tangga yang memiliki komputer berpengaruh di Kabupaten Lamongan, Gresik, dan Bangkalan. c. Persentase rumah tangga yang mengakses internet di sekolah berpengaruh di Kabupaten Gresik, Bangkalan, dan Kota Surabaya. Melalui pemetaan didapatkan penyebaran signifikansi indikator TIK terhadap ABH. Faktor persentase rumah tangga yang memiliki telepon selular tersebar di Provinsi Jawa Timur bagian selatan, sedangkan faktor persentase rumah tangga yang memiliki komputer dan mengakses internet di sekolah dalam waktu sebulan terakhir tersebar di Provinsi Jawa Timur bagian utara. Saran yang dapat direkomendasikan untuk penelitian selanjutnya adalah sebagai berikut : Menambahkan indikator–indikator TIK yang belum masuk di penelitian ini. Dengan menambahkan indikator tersebut diharapkan akan mendapatkan hasil yang lebih luas mengenai faktor–faktor yang mempengaruhi ABH. Dapat menggunakan metode lain yang sesuai untuk pengelompokkan lokasi di pemetaan.
REFERENSI Anselin, L. (1988). Spatial Econometrics : Methods and Models. Netherlands : Kluwer Academic Publishers. Anselin, L dan Rey S.J (2010). Perspectives on Spatial Data Analysis. Santa Barbara, CA, USA. Badan Pusat Statistik (2009). Survey Sosial Ekonomi Nasional 2009. Jakarta: BPS. Badan Pusat Statistik. (2012). Konsep (04-10-2012) dari http://www.bps.go.id/ menutab.php?kat=1&tabel=1&id_subyek=28. Badan Pusat Statistik. (2012). Tabel 4. Persentase Penduduk Buta Huruf menurut Kelompok Umur Tahun 2003-2010. (04-10-2012) dari http://www.bps.go.id/tab_sub/view.php?kat=1&tabel=1&daftar=1&id_subyek=28¬ab=5. Firmansyah dan Sutikno (2011). Pemodelan dan Pemetaan Angka Buta Huruf Provinsi Jawa Timur dengan Pendekatan Regresi Spasial. Surabaya: Institut Teknologi Sepuluh Nopember. Fotheringham, Brunsdon, dan Charlton (2002). Geographically Weighted Regression : the analysis of spatially varying relationships. UK : John Wiley & Sons, Ltd. Kam, S.P., Hossain, H., Bose, M.L., dan Villano, L.S. (2005). Spatial patterns of rural poverty and their relationship with welfare-influencing factors in Bangladesh. Food Policy, 30(2005), 551567.
RIWAYAT PENULIS Andiyono lahir di kota Medan pada tanggal 26 Mei 1989. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika dan Statistika pada tahun 2012. Saat ini penulis bekerja sebagai Java Developer di PT. Teravin Technovations.